📘 Nivel Parcial (UBA)

Material a nivel examen universitario — explicado para entender

← Volver al Centro de Estudios

Cómo usar: teoría rigurosa + problemas resueltos + ejercicios con solución. Lo que te prepara para un parcial es hacer los ejercicios sin mirar. Si te trabás, releé y volvé. Las demostraciones y el código son lo que se toma.

📐 Algoritmos y Estructura de Datos

Complejidad algorítmica

O/Ω/Θ, demostraciones, sumatorias, recurrencias (Teorema Maestro), análisis amortizado

TDAs en C (Vector, Pila, Cola, Lista)

Implementación en C + complejidad de cada operación + memoria

merge, quick, heap, counting, radix · límite Ω(n log n), estabilidad e in-place

Hashing (Diccionario y Conjunto)

función de hash, colisiones (chaining/open), factor de carga, rehashing

Árboles (ABB, AVL, B/B+)

recorridos, inserción/borrado, balanceo AVL (demo Fibonacci), in-order = ordenado

Heaps y colas de prioridad

heap en array, sift-up/down, build-heap O(n) demostrado, heapsort

representaciones, BFS/DFS, orden topológico, Dijkstra, Bellman-Ford, Prim/Kruskal

✅ Algoritmos y Estructura de Datos — materia completa (7/7 unidades)

🤖 Ciencia de Datos / Machine Learning

Fundamentos de ML

error de generalización, overfitting, descomposición sesgo-varianza (derivada), validación, regularización

Regresión (lineal y logística)

ecuación normal derivada, descenso por gradiente, sigmoide + entropía cruzada, regularización

Naive Bayes (Bayes), Perceptrón, SVM + kernel trick, árboles (entropía), ensambles (bagging/boosting)

Clustering y reducción de dimensiones

K-Means (Lloyd, convergencia), DBSCAN, PCA con autovalores derivado, t-SNE

MinHash = Jaccard (demostrado), amplificación por bandas (AND/OR), hiperplanos para coseno

Information Retrieval y NLP

índices invertidos, TF-IDF + coseno, BM25, precision/recall/F1, n-gramas + smoothing, base del RAG

PageRank y redes

cadena de Markov (autovector), power iteration, teletransportación, power laws / mundo pequeño

Streaming + recomendación

reservoir sampling (demo), Bloom filter (FP derivado), Count-Min, collaborative filtering, factores latentes

✅ Ciencia de Datos / ML — materia completa (8/8 unidades)